Ferramentas utilizadas: Python, Scikit-Learn, Jupyterlab, Google Cloud Suite ( BigQuery, Vertex AI Workbench , Kubernets Egine, Computer Engine, et.), Airflow, GitFlowDesenvolvimento ponta-a-ponta de produtos de Machine Learning para a detecção de fraudes em transações financeiras; Criação e Análise de targets de fraudes envolvendo crédito; scoring e alertas de fraudes em curso;

Atuação no processo de ensino-aprendizagem de novos cientistas de dados, aconselhado-os na resolução de problemas e exercícios relacionados à Análise Descritiva, Probabilidade e Estatística, Banco de Dados, Programação (Python), Modelagem, Algoritmos de Aprendizagem de Máquina supervisionados e não Supervisionados, Explicabilidade de Modelos, etc.

Ferramentas utilizadas: Python, PySpark, Scikit-Learn, Spark ML Lib, Azure (DevOps, Data Factory, Repos), DataBricks (Feature Store, MLFlow Experiments)Concepção e desenvolvimento ponta-a-ponta (consumo e preparação de dados, modelagem, aplicação de modelos de ML, deploy e monitoramento) de produtos de ML, objetivando a otimização de vendas e tomadas de decisão corporativas nas áreas de vendas física e digital, sortimento, alocação e demarcação de produtos;Co-criador, contribuinte e mantenedor da primeira biblioteca corporativa de Ciência de Dados da empresa, responsável pela criação de pipelines automatizados de modelagem e monitoramento para lidar com dados massivos (Big Data) e processos complexos de maneira fácil e intuitiva, usando 100% de infraestrutura Spark (encoding de variáveis categóricas, seleção de variáveis, remoção de variáveis com alta colinearidade, detecção de outliers, treinamento de modelos e otimização automática de hiperparâmetros, monitoramento de drifts, entre outros).Criação de rotinas automatizadas para processamento e armazenamento de dados em books de variáveis para composição da Feature Store corporativa.